-
公开(公告)号：CN111899750A
公开(公告)日：2020-11-06
申请号：CN202010743992.2
申请日：2020-07-29
Applicant: 哈尔滨理工大学
IPC: G10L21/0208 , G10L21/0232 , G10L25/30 , G06N3/08 , G06N3/04
Abstract: 本发明公开了联合耳蜗语音特征和跳变深层神经网络的语音增强算法，采用MMSE为前端的改进MRCG语音特征，通过比较不同特征作为网络输入的语音增强效果；分析DNN与Skip-DNN滤除“音乐噪声”的能力，建立了联合改进MRCG和Skip-DNN的语音增强模型，由实验可知，联合改进MRCG和Skip-DNN的语音增强模型比MRACC与MRCG增强效果好；同时，在低信噪比与非平稳背景噪声环境中，Skip-DNN滤除了部分“音乐噪声”，很好的拟合了改进MRCG与IRM之间复杂的非线性关系，提高低信噪比环境中语音增强效果，获得更清晰的语音特征，可有效提高语音可懂度和语音质量。
-
公开(公告)号：CN110696757A
公开(公告)日：2020-01-17
申请号：CN201911042372.X
申请日：2019-10-30
IPC: B60R16/037
Abstract: 针对采用矩形或圆柱空间声学结构布放次级声源受车身结构和室内内饰影响的问题，本发明提供一种汽车室内次级声源布放方法及主动噪声控制系统，属于汽车室内主动降噪技术领域。本发明方法为将主动噪声控制系统中的次级声源布放在司乘人员头部附近，利用汽车结构有限元模型获得车室内输出响应点声压级分布及车室内的降噪量，根据获得的声压级分布及降噪量确定次级声源的布放位置。本发明给出三种方案，第一种：两个次级声源布放在汽车的侧壁上，两个次级声源与相邻司乘人员的头部同高，且与头部的距离均相等。第二种：在司乘人员头部正上方的汽车顶棚处布放次级声源。第三种：在司乘人员头部正下方的汽车底盘上布放次级声源。
-
公开(公告)号：CN106768303B
公开(公告)日：2019-10-01
申请号：CN201710069114.5
申请日：2017-02-08
Applicant: 哈尔滨理工大学
IPC: G01H17/00
Abstract: 本发明涉及声波相互作用领域，具体涉及一种两列平面声波非线性相互作用实验测试系统及方法。本发明为解决两列声波相互作用后低频声波能量变化的实验测量问题，提出了湖上实验测量两列平面声波非线性相互作用实验测试系统及方法。本发明的平面声波非线性相互作用实验测试系统包括低频发射系统、高频发射系统、发射架、接收系统、示波器，本发明的平面声波非线性相互作用实验测试方法包括如下步骤：1、安装装置；2、单独发射低频声波，记录数据；3、单独发射高频声波，记录数据；4、同时发射高低频声波，记录数据；5、根据实验数据得到能量变化。本发明解决了两列声波相互作用后低频声波能量变化的测量问题，适用于声波能量的控制领域。
-
公开(公告)号：CN109712628A
公开(公告)日：2019-05-03
申请号：CN201910196487.8
申请日：2019-03-15
Applicant: 哈尔滨理工大学
IPC: G10L17/04 , G10L17/18 , G10L21/0208 , G10L21/0232 , G10L25/24 , G10L25/30
Abstract: 一种基于RNN的语音降噪方法及语音识别方法，在噪声环境下提取性能更好的语音信号特征参数，属于语音识别领域。本发明包括：建立DRNN降噪模型：在RNN的基础上增加两层隐含层，所述两层隐含层上无连接层，RNN原有的隐含层位于增加的两层隐含层中间，三层隐含层位于输入层和输出层之间；将带噪声的语音训练信号X进行补零，使维度保持一致，并将补零后的信号分成N组，每组三个数据，将分组后的数据输入到DRNN降噪模型中进行训练，确定DRNN降噪模型的参数；利用确定参数的DRNN降噪模型对语音信号或特征参数进行降噪。语音识别方法是在现有基础上在识别和训练之前先对特征参数采用DRNN降噪模型进行降噪。
-
公开(公告)号：CN105528504A
公开(公告)日：2016-04-27
申请号：CN201610115922.6
申请日：2016-03-01
Applicant: 哈尔滨理工大学
IPC: G06F17/50
CPC classification number: G06F17/5009 , G06F2217/76
Abstract: 基于CFOA-MKHSVM的滚动轴承健康状态评估方法，属于轴承故障评估技术领域。本发明是为了更有效评估滚动轴承性能退化程度。本发明方法先提取轴承振动信号的时域、频域统计特征及基于小波包的时频特征。针对滚动轴承各状态数据分布不均匀、数据异构的问题，采用超球体支持向量机识别并进行多核凸组合优化。为消除人为选择分类器多参数的盲目性，以及容易选入局部最优问题，将果蝇算法与混沌理论相结合，对多参数进行寻优。同时构建混沌优化果蝇算法——多核超球体支持向量机CFOA-MKHSVM模型，并提出归一化差别系数评估指标。经实验，与SVDD算法评估指标进行对比，验证了所提指标的有效性，实现了滚动轴承健康状态的定量评估。
-
Patent Agency Ranking
公开(公告)号：CN104618091A
公开(公告)日：2015-05-13
申请号：CN201510084754.4
申请日：2015-02-16
Applicant: 哈尔滨理工大学
Abstract: 双混沌系统动态密钥与RSA联合的流媒体保密通信方法，它涉及通信加密技术领域。解决流媒体通信在网络传输过程中未对根密钥进行有效地保护，存在一定的安全隐患，保密性差的问题。将混沌系统参数、混沌序列生成过程中的迭代步长与预先迭代次数作为动态参数，每次通信前随机生成满足条件的值并组成根密钥，并使用RSA算法对根密钥进行保密同步。根密钥的不同使得每次加、解密所使用的混沌密钥序列也不尽相同。同时，混沌密钥序列由两种超混沌序列交织组合而成，使得混沌密钥序列更为复杂。本发明减少混沌密钥序列生成时间，提高加密速度。通过C语言编写的软件在局域网内进行测试，结果表明：该方法既满足流媒体通信的安全性也满足其对实时性的要求。
-
公开(公告)号：CN113723491B
公开(公告)日：2024-12-06
申请号：CN202110976619.6
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/0895
Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。
-
公开(公告)号：CN116841513A
公开(公告)日：2023-10-03
申请号：CN202310893765.1
申请日：2023-07-20
Applicant: 哈尔滨理工大学
IPC: G06F8/20 , G06Q30/0601 , G06F9/50
Abstract: 本发明公开了基于SpringBoot的高并发网购平台系统及后台管理方法，涉及网购技术领域；包括分析系统功能性需求：根据用户群体进行需求分析，并根据需求进行主页的设计，同时建立内容管理系统；设计系统架构：在确定好系统的需求之后，进行系统架构的设计；对每个业务的设计进行编码：使用SpringCloud进行设计编码，前后分离开发，并开发基于vue的后台管理系统，分布式开发使每个服务独立运行。本发明采用当前互联网常见的前后端分离的方式，前后端各自负责分内的工作，互相协调，统筹安排，在相同的规范下协同开发一个能够提供高效率、高并发以及高可用服务的商城购物平台。
-
公开(公告)号：CN113554669B
公开(公告)日：2023-05-12
申请号：CN202110857717.8
申请日：2021-07-28
Applicant: 哈尔滨理工大学
Abstract: 一种改进注意力模块的Unet网络脑肿瘤MRI图像分割方法，解决了由于病灶的形状的多样性和不同器官结构的差异性，仅使用UNet结构分割病灶无法满足对于精准度、速度等的需求的问题，属于语义分割领域。本发明包括：在Unet网络中使用可逆残差模块替代原有的卷积模块；在Unet中的跳变连接部分，encorder与deorder拼接之前加入改进的残差注意力模块ResCBAM，可以更好地提高训练过程中细节特征的质量。本文使用Brats2019的数据集进行实验，实验结果表明，相比于其他方法，本文所提出的方法在不同的评价指标下分割效果都有不同程度的提升。
-
公开(公告)号：CN112924177B
公开(公告)日：2022-07-19
申请号：CN202110360639.0
申请日：2021-04-02
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06V10/44 , G06V10/762 , G06V10/77 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进深度Q网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，用以解决现有技术中在应用深度强化学习对滚动轴承故障进行诊断时，由于数据分布不平衡或变负载导致的诊断准确率过低的问题。本发明的技术要点包括：把k‑means算法中样本到中心点的距离作为回报值的偏置，以不平衡比为基准，为训练集构建具有个性化的回报函数，同时通过改进的残差网络(Resnet‑18)实现特征的深层提取；智能体将新的回报函数和时频图作为输入，在每个时间步长执行诊断动作，判断并返回回报值；最终智能体学会不平衡数据下的故障诊断策略。本发明方法在滚动轴承数据不平衡和变负载下故障诊断结果表现优异，可用于对滚动轴承不同故障诊断的实际操作中。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.022 seconds)
